65、数字人体建模与虚拟维护训练系统控制逻辑设计

数字人体建模与虚拟维护训练系统控制逻辑设计

1. 数字人体建模用于性能评估
1.1 拓扑模型的有向无环图(DAG)方法

拓扑模型由两个基本组件构成:链路(link)和关节(joint)。一个典型的拓扑模型可重新排列成有向无环图(DAG)。DAG 的根节点“L0”是在绝对惯性世界参考系中预先定义的静止不动的地面点,而叶节点则是人体与物体及环境交互的末端。该模型可分解为多个分支,每个分支可在耦合的正向 - 逆向动力学模型支持下,从根节点到叶节点依次进行分析。

1.2 生物力学模型的时变因素

为描述人体状态随时间的变化,为生物力学模型定义了一组时变因素。根据希尔力 - 速度方程,关节处肌肉力量的通用公式为:
[T(v) = \frac{bT_{max} - av}{v + b}]
其中,(T(v)) 是一块肌肉或一组肌肉产生的张力,(v) 是收缩速度,(T_{max}) 是最大张力,(a) 和 (b) 是通过实验或实践得到的常数。当考虑船上任务持续时间时,新公式变为:
[\tilde{T}(v, t_{mission}) = \frac{bT_{max} - av}{v + b} \cdot pq^{t_{mission}}]
其中,(\tilde{T}(v, t_{mission})) 是考虑肌肉退化后的改进张力,(t_{mission}) 是船上任务持续的时间,(p) 和 (q) 是通过实验或实践得到的常数,且 (0 < p < 1)。

1.3 人体性能评估

人体性能可通过模拟实验的不同结果进行衡量,本文选取了三种测量指标:
|测量指标|定义|

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值